核心用法
Explain 是一套自适应解释技能，核心机制是通过观察用户的反馈信号，逐步建立个性化的解释偏好档案。
工作流程：
1. 观察阶段：识别用户"懂了"（"Got it"/无追问）vs "困惑"（"Wait, what?"/后续追问）的信号
2. 模式识别：同一话题出现2次以上一致信号，标记为pattern级别
3. 主动确认：向用户提议"对于[话题]，是否采用[风格]解释？"
4. 固化存储：获得明确确认后，升级为confirmed或locked级别
可追踪维度（5大维度）：
- format（格式）：bullet点、散文体、编号列表、标题分层
- depth（深度）：TLDR、摘要、标准、深度
- examples（示例）：无示例、单一示例、多示例、类比
- jargon（术语）：完全规避、即时定义、假设已知
- pacing（节奏）： upfront（ upfront ）、渐进式、分块式
学习前默认策略：
- 先给直接答案，后补上下文
- 回答长度匹配问题长度（短问短答）
- 复杂话题单概念拆解
- 主动询问"需要深入吗？"而非信息堆砌
---
显著优点
1. 零配置上手：无需预设偏好，通过自然交互自动学习
2. 跨话题精细化：支持为不同领域（代码错误、财务概念、AI术语等）建立独立偏好
3. 可解释性：偏好以明文存储，用户随时可查看、修改、删除
4. 渐进式信任：pattern → confirmed → locked三级确认机制，避免过早固化误判
5. 双向效率：减少"解释过度"和"解释不足"的往返成本
潜在缺点与局限性
1. 冷启动摩擦：前2-3次交互可能因"试探性解释"体验不稳定
2. 信号噪声：用户的"Got it"可能是礼貌性结束，非真实理解
3. 话题泛化挑战："code/errors"与"python/exceptions"是否视为同一话题，依赖实现细节
4. 隐性维度盲区：未覆盖的维度（如视觉/文本偏好、情绪状态）可能被忽略
5. 长期漂移：用户认知水平提升后，locked偏好可能成为新障碍
适合人群
- 终身学习者：频繁接触新领域，需要"认知脚手架"动态调整
- 效率敏感型用户：厌烦重复解释"已懂的基础"或"无关的细节"
- 多角色工作者：技术/管理/业务场景切换，需要不同"解释人格"
- 教学/辅导场景：需要快速摸清学员风格的导师
常规风险
| 风险类型 | 说明 | 缓解建议 |
|---------|------|---------|
| 过度拟合 | 将临时状态误认为持久偏好 | 定期提议"重新校准" |
| 确认偏误 | 只存储成功信号，忽略失败案例 | 显式记录"Never"清单 |
| 隐私累积 | 长期交互形成精细认知画像 | 提供偏好导出/清除入口 |
| 代理错位 | 代理将"解释给自己"误认为"解释给用户" | 严格限定scope为human-facing |